网站源码是什么格式深圳罗湖网站制作

一、labelme的安装

1.打开终端（win+r，输入cmd）,输入以下命令

2.创建虚拟环境

conda create -n data python==3.10.0

 3.激活虚拟环境

conda activate data

 4.安装labelme

pip install labelme==5.6.1

出现下面内容则安装成功

5.AI辅助标注

从以下路径中下载不同模型的ONNX文件，保存到labelme文件中

# 这里是这些模型的下载路径
https://github.com/wkentaro/labelme/releases/download/sam-20230416/sam_vit_b_01ec64.quantized.encoder.onnx
https://github.com/wkentaro/labelme/releases/download/sam-20230416/sam_vit_b_01ec64.quantized.decoder.onnx
https://github.com/wkentaro/labelme/releases/download/sam-20230416/sam_vit_l_0b3195.quantized.encoder.onnx
https://github.com/wkentaro/labelme/releases/download/sam-20230416/sam_vit_l_0b3195.quantized.decoder.onnx
https://github.com/wkentaro/labelme/releases/download/sam-20230416/sam_vit_h_4b8939.quantized.encoder.onnx
https://github.com/wkentaro/labelme/releases/download/sam-20230416/sam_vit_h_4b8939.quantized.decoder.onnx
https://github.com/labelmeai/efficient-sam/releases/download/onnx-models-20231225/efficient_sam_vitt_encoder.onnx
https://github.com/labelmeai/efficient-sam/releases/download/onnx-models-20231225/efficient_sam_vitt_decoder.onnx
https://github.com/labelmeai/efficient-sam/releases/download/onnx-models-20231225/efficient_sam_vits_encoder.onnx
https://github.com/labelmeai/efficient-sam/releases/download/onnx-models-20231225/efficient_sam_vits_decoder.onnx

 打开anaconda的envs目录下的此路径，打开-init-.py文件进行编辑

替换全部-init-.py文件的内容为以下代码，把MODEL_DIR改为第一步models文件的存放路径。

import os.path as osp
MODEL_DIR = "D:/Anaconda3/envs/data/Lib/site-packages/labelme/models/"
from .efficient_sam import EfficientSam
from .segment_anything_model import SegmentAnythingModel
from .text_to_annotation import get_rectangles_from_texts  # NOQA: F401
from .text_to_annotation import get_shapes_from_annotations  # NOQA: F401
from .text_to_annotation import non_maximum_suppression  # NOQA: F401class SegmentAnythingModelVitB(SegmentAnythingModel):name = "SegmentAnything (speed)"def __init__(self):super().__init__(encoder_path=osp.join(MODEL_DIR, "sam_vit_b_01ec64.quantized.encoder.onnx"),  # NOQAdecoder_path=osp.join(MODEL_DIR, "sam_vit_b_01ec64.quantized.decoder.onnx"),  # NOQA)class SegmentAnythingModelVitL(SegmentAnythingModel):name = "SegmentAnything (balanced)"def __init__(self):super().__init__(encoder_path=osp.join(MODEL_DIR, "sam_vit_l_0b3195.quantized.encoder.onnx"),  # NOQAdecoder_path=osp.join(MODEL_DIR, "sam_vit_l_0b3195.quantized.decoder.onnx"),  # NOQA)class SegmentAnythingModelVitH(SegmentAnythingModel):name = "SegmentAnything (accuracy)"def __init__(self):super().__init__(encoder_path=osp.join(MODEL_DIR, "sam_vit_h_4b8939.quantized.encoder.onnx"),  # NOQAdecoder_path=osp.join(MODEL_DIR, "sam_vit_h_4b8939.quantized.decoder.onnx"),  # NOQA)class EfficientSamVitT(EfficientSam):name = "EfficientSam (speed)"def __init__(self):super().__init__(encoder_path=osp.join(MODEL_DIR, "efficient_sam_vitt_encoder.onnx"),  # NOQAdecoder_path=osp.join(MODEL_DIR, "efficient_sam_vitt_decoder.onnx"),  # NOQA)class EfficientSamVitS(EfficientSam):name = "EfficientSam (accuracy)"def __init__(self):super().__init__(encoder_path=osp.join(MODEL_DIR, "efficient_sam_vits_encoder.onnx"),  # NOQAdecoder_path=osp.join(MODEL_DIR, "efficient_sam_vits_decoder.onnx"),  # NOQA)MODELS = [SegmentAnythingModelVitB,SegmentAnythingModelVitL,SegmentAnythingModelVitH,EfficientSamVitT,EfficientSamVitS,
]

二、labelme的使用

1.创建数据集文件夹

在数据集文件夹中，新建images文件夹（存放需要被分割的原始图像）和labels文件夹（存放分割后的标签）。

2.打开labelme界面

终端输入命令labelme后，自动跳转labelme界面

3.分割图像

打开图像存放位置

选择辅助的大模型：作者亲测，EfficientSAM(speed)比较好用，又快又准确

在图片位置右击，选择创建AI多边形。

 左键选择你想要的区域，然后shift+左键选择你不要的区域。

双击完成标注，在弹出的窗口输入标签类别，确认后在右侧栏出现标签名称。

选择左侧编辑多边形可以手动调节刚才AI辅助分割的地方。

 标注后的结果展示，分为rail（铁路）和obstacle（障碍物）两种标签。

 在左上角文件中在此处点击“更改输出路径”，选择前边在数据集文件夹中创建的labels文件夹。点击“自动保存”后，点击下一幅，即可自动保存标注数据。